使用tesseract-ocr破解網站驗證碼

首先我得認可，關注tesseract-ocr， 是衝着下面這篇文章的噱頭去的，26行groovy代碼破解網站驗證碼 
http://www.kellyrob99.com/blog/2010/03/14/breaking-weak-captcha-in-slightly-more-than-26-lines-of-groovy-code/ 

固然，看了以後才知道，原來是調用了三方庫tesseract-ocr…… 
http://code.google.com/p/tesseract-ocr/ 

儘管如此，本着鄧爺爺的「無論白貓黑貓，能抓住老鼠的就是好貓」的原則，趁着假期也開始了「文字識別」的初級研究 

HP的tesseract最近被Google支持並開支持英文字母和數字，聽說辨識程度是世界排名第三的；更難能難得的是，提供多國語言包下載（包括中文，精度不咋的卻是真的……），並自帶訓練工具。 

安裝完並跑過自帶例子以後，首先想到的應用天然是用於驗證碼分析 

 

按照說明，送入tesseract的圖片的質量直接影響識別的效果，所以，簡單的預處理是不可或缺的 

1.首先灰度化，灰度值=0.3R+0.59G+0.11B： 

for (int y = minY; y < height; y++) {
    for (int x = minX; x < width; x++) {
        int rgb = srcImg.getRGB(x, y);
        Color color = new Color(rgb); // 根據rgb的int值分別取得r,g,b顏色。
        int gray = (int) (0.3 * color.getRed() + 0.59
            * color.getGreen() + 0.11 * color.getBlue());
        Color newColor = new Color(gray, gray, gray);
        srcImg.setRGB(x, y, newColor.getRGB());
    }
}

結果如圖： 
 

2.其次是灰度反轉： 

for (int y = minY; y < height; y++) {
    for (int x = minX; x < width; x++) {
        int rgb = buffImg.getRGB(x, y);
        Color color = new Color(rgb); // 根據rgb的int值分別取得r,g,b顏色。
        Color newColor = new Color(255 - color.getRed(), 255 - color
            .getGreen(), 255 - color.getBlue());
        buffImg.setRGB(x, y, newColor.getRGB());
    }
}

結果如圖： 
 

3.再次是二值化，取圖片的平均灰度做爲閾值，低於該值的全都爲0，高於該值的全都爲255： 

for (int y = minY; y < height; y++) {
    for (int x = minX; x < width; x++) {
        int rgb = buffImg.getRGB(x, y);
        Color color = new Color(rgb); // 根據rgb的int值分別取得r,g,b顏色。
        int value = 255 - color.getBlue();
        if (value > average) {
            Color newColor = new Color(0, 0, 0);
            buffImg.setRGB(x, y, newColor.getRGB());
        } else {
            Color newColor = new Color(255, 255, 255);
            buffImg.setRGB(x, y, newColor.getRGB());
        }
    }
}

結果如圖： 
 

看看效果還湊合，就省卻尺寸調整、中值濾波以及噪點去除等步驟了。 

以上完成圖片預處理工做；Tesseract沒有開放api，純命令行調用： 

List<String> cmd = new ArrayList<String>(); // 存放命令行參數的數組
cmd.add(tessPath + "\\tesseract");
cmd.add("");
cmd.add(outputFile.getName()); // 輸出文件位置
cmd.add(LANG_OPTION); // 字符類別
cmd.add("eng"); // 英文，找到tessdata裏對應的字典文件。
ProcessBuilder pb = new ProcessBuilder();
pb.directory(imageFile.getParentFile());

cmd.set(1, tempImage.getName()); // 把圖片文件位置放在第一個位置

pb.command(cmd); // 執行命令行
pb.redirectErrorStream(true); // 通知進程生成器是否合併標準錯誤和標準輸出,把進程錯誤保存起來。
Process process = pb.start(); // 開始執行進程

int w = process.waitFor(); // 當前進程中止,直到process中止執行，返回執行結果.

結果輸出表示一切正常 

固然，真正要用好tesseract-ocr，還需用到其強大地訓練工具，就是後話了…… 

另外，關於文字識別，除去做爲破解驗證碼的反制手段以外，咱們是否也有相關的應用呢？ 

• 大小: 1.1 KB

• 大小: 1.3 KB

• 大小: 1.3 KB

• 大小: 1.4 KB